JP2014072835A - 会議装置 - Google Patents

Abstract

【課題】カメラを装置本体に対して折りたたみ可能な会議装置であっても明瞭に話者の音声を収音することができる会議装置を提供すること。
【解決手段】通信網を介して音声および画像の双方向通信を行う会議装置は、装置本体と、装置本体に対して折りたたみ可能に設けられたカメラ筺体４と、カメラ４０の近傍に位置し、かつ収音する音声に時間差が生じる間隔でカメラ筺体４に配置された複数のマイク４２ａ、４２ｂ、４２ｃと、マイク４２ａ、４２ｂ、４２ｃのそれぞれによって収音された各音声の音声レベルを検出するとともに各音声間の時間差を検出する検出部と、収音された各音声のうち、最大の音声レベルを有し、かつ最先に収音されたマイクの音声を選択する音声選択部と、音声選択部により選択された音声およびカメラ４０により取り込まれた画像を通信網に送信する通信部とを備える。
【選択図】図２

Description

本発明は、会議装置に関し、特に通信網を介して相手方装置との双方向通信を行う会議装置に関する。

従来、この種の会議装置として、相手の映像を映し出すモニタと、音声データを出力するスピーカと、音声を電気信号として捉える、すなわち音声を収音するマイクロフォン（以下、単にマイクという）と、自装置の前にいる会議の参加者を撮像するカメラとを一体化したものが知られている（例えば、特許文献１参照）。

この特許文献１に記載の会議装置は、モニタに映し出される相手を見ながら会話することを前提として、モニタ付近にスピーカ、マイクおよびカメラを近接して配置している。

また、この会議装置は、マイクを複数有しており、これら複数のマイクから収音される各音声のレベルから話者の方向を特定する。そして、その話者の方向に対応するマイクからの音声を会議に必要な音声としてエコーキャンセル処理を施し、通信網を介して送信するようになっている。

さらに、近年、こうしたポータブルタイプの会議装置において、持ち運びの利便性を考慮して、モニタを設けず、かつカメラを装置本体に対して折りたたみ可能にしたコンパクトな会議装置も知られている（例えば、特許文献２参照）。この会議装置は、装置本体側にスピーカやマイクを配置している。

しかしながら、上述した特許文献１に記載の会議装置にあっては、モニタ、スピーカ、マイクおよびカメラが一の筺体に収容された構造をなしているので、モニタ付近にスピーカ、マイクおよびカメラを近接して配置することは容易であるが、こうした配置を特許文献２に記載の会議装置に適用することまでは考慮されていない。

一方、特許文献２に記載の会議装置は、装置本体側にマイクが配置されているため、例えば机上に設置されているような場合、話者の口元の高さからマイクが遠くなり話者の音声を明瞭に収音することができないという課題があった。

本発明は、上述のような事情に鑑みてなされたもので、カメラを装置本体に対して折りたたみ可能な会議装置であっても明瞭に話者の音声を収音することができる会議装置を提供することを目的とする。

本発明に係る会議装置は、上記目的を達成するため、通信網を介して音声および画像の双方向通信を行う会議装置であって、装置本体と、前記装置本体に対して折りたたみ可能に設けられ、画像の取り込みを行うカメラを収納したカメラ筺体と、前記カメラの近傍に位置し、かつ収音する音声に時間差が生じる間隔で前記カメラ筺体に配置された複数のマイクと、前記複数のマイクのそれぞれによって収音された各音声の音声レベルを検出するレベル検出部と、前記複数のマイクのそれぞれによって収音された各音声間の時間差を検出する時間差検出部と、前記複数のマイクのそれぞれによって収音された各音声のうち、最大の音声レベルを有し、かつ最先に収音されたマイクの音声を選択する音声選択部と、前記音声選択部により選択された音声および前記カメラにより取り込まれた画像を前記通信網に送信する通信部と、を備えた構成を有する。

本発明によれば、カメラを装置本体に対して折りたたみ可能な会議装置であっても明瞭に話者の音声を収音することができる会議装置を提供することができる。

本発明の実施の形態に係る会議装置の外観斜視図である。 本発明の実施の形態に係る会議装置のカメラを示す正面図である。 本発明の実施の形態に係るカメラを下方から見た一部断面図である。 本発明の実施の形態に係る会議装置の構成を示すブロック図である。

以下、本発明の実施の形態について、図面を参照して説明する。

まず、本実施の形態に係る会議装置１の構成について説明する。図１は、本実施の形態に係る会議装置１の外観図である。なお、図１において、会議装置１の長手方向をＸ軸方向、水平面内でＸ軸方向に直交する方向をＹ軸方向、Ｘ軸方向およびＹ軸方向に直交する方向（鉛直方向）をＺ軸方向として説明する。

図１に示すように、本実施の形態に係る会議装置１は、装置本体２と、アーム３と、カメラハウジング４とを含んで構成されている。会議装置１は、通信網を介して音声および画像の双方向通信を行うものである。

装置本体２の前側壁面２ａには、複数の吸気孔によって形成された図示しない吸気面が設けられている。また、装置本体２の後側壁面２ｂには、複数の排気孔が形成された排気面２１が設けられている。

これにより、装置本体２に内蔵された図示しない冷却ファンの駆動によって、吸気面を介して会議装置１の後方の外気を取り込み、排気面２１を介して会議装置１の後方へ排気することができる。

また、装置本体２の右側壁面２ｃには、外部機器接続Ｉ／Ｆに対して電気的にケーブルを接続するための複数の接続口２２ａ〜２２ｃが設けられている。一方、装置本体２の左側壁面２ｄには、外部機器接続Ｉ／Ｆに対して電気的にディスプレイ１２０用のケーブル１２０ｃを接続するための図示しない接続口が設けられている。

装置本体２の上面には、操作パネル２３が形成されている。この操作パネル２３には、複数の操作ボタン２３ａ〜２３ｅ、電源スイッチ２４、アラームランプ２５および音出面２６が設けられている。音出面２６は、図示しない内蔵型のスピーカからの出力音を通すための複数の音声出力孔によって形成されている。

また、装置本体２の上面であって左側壁面２ｄ側には、アーム３およびカメラハウジング４を折りたたみ可能に収容するための凹部としての収容部２７が形成されている。アーム３およびカメラハウジング４は、会議装置１を使用しないとき（例えば運搬時等）には収容部２７に折りたたんだ状態で収容される。これにより、会議装置１のコンパクト化が図られている。

アーム３は、トルクヒンジ３１を介して装置本体２に取り付けられている。したがって、アーム３は、装置本体２に対して１３５度のチルト角θ１の範囲で、上下方向に回転可能に構成されている。図１では、チルト角θ１が９０度の状態を示している。

カメラハウジング４には、画像の取り込みを行うＣＣＤやＣＭＯＳ等の撮像素子を備えたカメラ４０が収納されている。この収納されたカメラ４０によって、利用者、書類および部屋等を撮像することができる。本実施の形態におけるカメラハウジング４は、本発明に係るカメラ筺体を構成している。

カメラハウジング４は、トルクヒンジ４１を介してアーム３に取り付けられている。したがって、カメラハウジング４は、アーム３に対して、図１で示されている状態を０度として±１８０度のパン角θ２の範囲で、かつ±４５度のチルト角θ３の範囲で、上下左右方向に回転可能に構成されている。

また、カメラハウジング４には、図２に示すように、複数（本実施の形態では３つ）のマイク４２ａ、４２ｂ、４２ｃが設けられている。これらマイク４２ａ、４２ｂ、４２ｃは、カメラ４０の近傍に位置し、かつ収音する音声に時間差が生じる間隔でカメラハウジング４に配置されている。なお、マイクの数は、３つに限定されるものではなく、配置可能な範囲で２つあるいは４つ以上としてもよい。

また、図３に示すように、マイク４２ａ、４２ｂ、４２ｃは、カメラ４０の撮像範囲と一致する範囲の音声を収音可能な角度に配置されている。つまり、本実施の形態では、マイク４２ａを０度としてマイク４２ｂ、４２ｃを±所定角度となるよう配置している。このようなマイク４２ａ、４２ｂ、４２ｃの配置は、カメラ４０の画角に合わせたもので、例えばカメラ４０の撮像範囲外、すなわち画面外の音声を拾わないようにしたものである。したがって、マイク４２ｂ、４２ｃの配置角度は、カメラ４０の画角とマイク４２ａ、４２ｂ、４２ｃの指向性により設定される。

次に、図４を参照して、本実施の形態に係る会議装置１の処理について説明する。

図４に示すように、マイク４２ａ、４２ｂ、４２ｃのそれぞれで収音された音声は、音声信号に変換されて各増幅器（ＡＭＰ）４３ａ、４３ｂ、４３ｃに入力される。マイク４２ａ、４２ｂ、４２ｃから入力された音声信号は、各増幅器（ＡＭＰ）４３ａ、４３ｂ、４３ｃによって増幅された後、レベル検出および遅延検出を行う検出部４４に入力される。

検出部４４は、各増幅器（ＡＭＰ）４３ａ、４３ｂ、４３ｃから入力された音声信号の音声レベルを検出し、検出した音声レベルの値等の情報を音声選択部４５に出力する。すなわち、検出部４４は、マイク４２ａ、４２ｂ、４２ｃのそれぞれによって収音された各音声の音声レベルを検出するレベル検出を行うレベル検出部としての機能を有する。こうしたレベル検出部としての機能を有する検出部４４は、本発明に係るレベル検出部を構成する。例えば、検出部４４は、音声信号を信号中の交流レベルに対応した直流レベルに検波し、その波形の平滑化やＡ／Ｄ変換等の処理を施して有効なデジタル情報に変換する。

また、検出部４４は、各音声信号の音声レベルを比較し、音声レベルの高い順（あるいは低い順）に羅列する。

さらに、検出部４４は、各増幅器（ＡＭＰ）４３ａ、４３ｂ、４３ｃから入力される音声信号の時間的なずれ、つまり時間差を検出して、検出した各音声信号間の時間差情報を音声選択部４５に出力する。すなわち、検出部４４は、マイク４２ａ、４２ｂ、４２ｃのそれぞれによって収音された各音声間の時間差を検出する遅延検出を行う遅延検出部としての機能を有する。本実施の形態では、上述のレベル検出後に音声レベルの高い順（あるいは低い順）に羅列された各音声信号間のタイミングのずれ、すなわち各音声信号の位相差を検出する。ここで、収音された音声が同一であれば、音声レベルの高い順に音声信号のタイミングが遅延していく。こうした遅延検出部としての機能を有する検出部４４は、本発明に係る時間差検出部を構成する。

ここで、遅延検出の原理について説明する。

一般的に、気温２５℃のときの音速は、約３５０［ｍ／ｓ］である。このとき、例えば音声の到来方向に対して２つのマイクが３．５［ｃｍ］間隔で配置されていた場合には、音声の発生源に近いマイクに対して３．５［ｃｍ］後方のマイクに到達する音声には、音声の発生源に近いマイクに到達する音声よりも約１００［μｓ］の遅延が生じる。本実施の形態では、こうした原理を利用して遅延検出を行うようにしている。

具体的には、各マイク４２ａ、４２ｂ、４２ｃは、上述したように収音する音声に時間差が生じる間隔で配置されているので、例えば話者がカメラ４０の正面にいる場合にはマイク４２ａで最も早く音声が収音され、遅れてマイク４２ｂ、４２ｃによって音声が収音される。

また、話者がカメラ４０に対して斜め正面にいる場合、例えば話者がマイク４２ｃの正面にいるような場合には、マイク４２ｃで最も早く音声が収音され、遅れてマイク４２ａ、マイク４２ｂの順に音声が収音される。

したがって、本実施の形態では、こうしたマイク４２ａ、４２ｂ、４２ｃのそれぞれで収音される音声間の時間差を検出することで、話者がカメラ４０に対していずれの方向にいるのかを特定することができる。

次に、音声選択部４５は、検出部４４から入力された各音声信号のうち、最も音声レベルが高く、かつ遅延検出に基づき最も早く収音された音声の音声信号を選択する。すなわち、音声選択部４５は、マイク４２ａ、４２ｂ、４２ｃのそれぞれによって収音された各音声のうち、最大の音声レベルを有し、かつ最先に収音されたマイクの音声を選択する。

音声選択部４５によって、音声の発生源である話者の位置が特定される。つまり、音声選択部４５によって選択された音声信号を出力しているマイクの方向に話者がいると判断することができる。

音声選択部４５によって選択された音声信号は、増幅処理が施された後、ネットワークＩ／Ｆ等の通信部４６を介して通信網に送信される。同時に、音声選択部４５によって選択された音声信号の情報が後述するマイク感度調整および顔検出に用いられるようになっている。このとき、音声選択部４５によって選択された音声信号以外の同一音声の音声信号は、フィルタ４７によってカットされ、その後の処理に用いられない。

そして、フィルタ４７を通過後の音声信号は、増幅器（ＡＭＰ）４３ａ、４３ｂ、４３ｃを有するマイク感度調整部４３に送信される。マイク感度調整部４３は、フィルタ４７を介して入力された音声信号に基づき、この音声信号を収音したマイクの感度を上げるために同マイクに対応する増幅器の増幅率を調整する。これにより、音声選択部４５によって選択された音声信号を出力しているマイクの感度が上げられ、同マイクでより明瞭な音声を収音可能となる。

また、音声選択部４５によって選択された音声信号は、その選択回数が頻度カウント部４８によりカウントされる。頻度カウント部４８は、所定の単位時間間隔で音声選択部４５によって選択された音声信号が入力されるようになっており、マイク４２ａ、４２ｂ、４２ｃごとに音声選択部４５によって選択された回数を記憶するようになっている。これにより、いずれのマイクの選択頻度が高いかを判断することができ、これによって多く発言する話者がどこにいるのかを特定することが可能となる。本実施の形態における頻度カウント部４８は、本発明に係る選択回数カウント部を構成する。

また、マイク感度調整部４３は、頻度カウント部４８により選択された回数に応じてマイク４２ａ、４２ｂ、４２ｃの感度を調整するようにしてもよい。例えば、マイク感度調整部４３は、頻度カウント部４８により選択された回数が最も多いマイクの感度を他のマイクの感度よりも高くなるよう調整する。これにより、発言頻度の高い話者の音声をより明瞭に収音することができる。

一方、カメラ４０は、公知の顔認識機能を有する顔検出部５０と、少なくともズーム機能を有するカメラ制御部５１とを備えている。

顔検出部５０は、公知の顔認識機能として、例えば肌の色や、目、鼻、口を検出することにより人の顔を検出する一般的な顔検出手法を用いることができる。また、顔検出部５０は、音声選択部４５によって選択された音声信号の情報をフィルタ４７を介して音声選択部４５から取得することにより、選択された音声の発生源である話者に対してマーキング等を施すことができる。なお、顔検出部５０は、頻度カウント部４８により選択された回数が最も多いマイクの収音範囲と顔認識機能とに基づいて発言頻度の高い話者を特定し、その話者に対してマーキング等を施すことも可能である。

カメラ制御部５１は、顔検出部５０によってマーキング等が施された話者に対してズーミング動作を行うことができる。例えば、カメラ制御部５１は、カメラ４０により取り込まれた画像をマイク４２ａ、４２ｂ、４２ｃの方向に応じた領域に３分割し、選択された音声信号を収音したマイクに対応する領域をズームアップする等の方法により特定の話者に対してズーミングを行うことができる。これらマーキングやズーミングにより、話者との距離感を縮めることができ自然なＴＶ会議を実現することができる。

カメラ４０によって取り込まれた画像は、各種補正等の必要なカメラ処理が施された後、通信部４６を介して通信網に送信される。

以上のように、本実施の形態に係る会議装置１は、装置本体２に対して折りたたみ可能なカメラハウジング４に収納されたカメラ４０の近傍にマイク４２ａ、４２ｂ、４２ｃを設けたので、従来と比較して音声を収音するマイクの位置を話者の口元の高さに近づけることができる。これにより、話者の音声以外の不要なノイズ（例えば、机をたたく音等）を拾うことがなく、必要な音声のみを収音することができる。したがって、本実施の形態に係る会議装置１は、カメラ４０を収納したカメラハウジング４を装置本体２に対して折りたたみ可能な会議装置１であっても明瞭に話者の音声を収音することができる。

また、本実施の形態に係る会議装置１は、マイク４２ａ、４２ｂ、４２ｃのそれぞれで収音された音声の音声レベルを検出するレベル検出を行うとともに、マイク４２ａ、４２ｂ、４２ｃのそれぞれによって収音された音声間の時間差を検出する遅延検出を行う検出部４４を備えているので、これらレベル検出および遅延検出によって話者の方向を特定することができる。話者の方向が特定できれば、これに応じて話者の方向の音声を収音するマイクの感度を上げる等して、より明瞭な話者の音声を収音することができる。

１ 会議装置
２ 装置本体
３ アーム
４ カメラハウジング（カメラ筺体）
２７ 収容部
４０ カメラ
４２ａ、４２ｂ、４２ｃ マイク
４３ マイク感度調整部
４３ａ、４３ｂ、４３ｃ 増幅器（ＡＭＰ）
４４ 検出部（レベル検出部、時間差検出部）
４５ 音声選択部
４６ 通信部
４７ フィルタ
４８ 頻度カウント部（選択回数カウント部）
５０ 顔検出部
５１ カメラ制御部

特開２００８−２８８７８５号公報 特開２０１２−５４８１４号公報

Claims (5)

1. 通信網を介して音声および画像の双方向通信を行う会議装置であって、
   装置本体と、
   前記装置本体に対して折りたたみ可能に設けられ、画像の取り込みを行うカメラを収納したカメラ筺体と、
   前記カメラの近傍に位置し、かつ収音する音声に時間差が生じる間隔で前記カメラ筺体に配置された複数のマイクと、
   前記複数のマイクのそれぞれによって収音された各音声の音声レベルを検出するレベル検出部と、
   前記複数のマイクのそれぞれによって収音された各音声間の時間差を検出する時間差検出部と、
   前記複数のマイクのそれぞれによって収音された各音声のうち、最大の音声レベルを有し、かつ最先に収音されたマイクの音声を選択する音声選択部と、
   前記音声選択部により選択された音声および前記カメラにより取り込まれた画像を前記通信網に送信する通信部と、を備えたことを特徴とする会議装置。
2. 前記複数のマイクは、前記カメラの撮像範囲と一致する範囲の音声を収音可能な角度に配置されることを特徴とする請求項１に記載の会議装置。
3. 前記選択された音声を収音したマイクの感度を調整可能なマイク感度調整部を備えたことを特徴とする請求項１または２に記載の会議装置。
4. 前記選択された音声を収音したマイクの選択回数をカウントする選択回数カウント部を備え、
   前記マイク感度調整部は、前記選択回数カウント部により選択された回数に応じて前記複数のマイクの感度を調整することを特徴とする請求項３に記載の会議装置。
5. 前記カメラは、顔認識機能とズーム機能とを有し、前記選択回数カウント部により選択された回数が最も多いマイクの収音範囲と前記顔認識機能とに基づいて発言頻度の高い話者を特定するとともに、前記話者に対してマーキングおよび前記ズーム機能を用いたズーミング動作を行うことを特徴とする請求項４に記載の会議装置。

Images